L0采样器:一种L0模型引导的NeRF体积采样
作者提出了基于可微分不可视模块的NeRF-ID方法,该方法可以优化粗到精的采样策略,得到比NeRF和当前最先进算法更好的视图合成质量,并且显著降低计算时间。
Jun, 2021
本文主要介绍了一种基于神经辐射场(NeRF)的框架,用于优化被限定的带折射物体边界体积的辐射场,以构建折射物体的新视图综合。作者使用分层和分级抽样技术,并使用Eikonal方程跟踪沿曲线路径绘制样本,演示了本框架在多个场景中均比最先进的方法具有更好的感知相似性和渲染质量显着提高。
Nov, 2022
本文研究和比较多种采样方法,并展示改善采样方法通常适用于NeRF变体,利用透射率估计器概括统一概念。我们开发了一个Python工具箱,名为NerfAcc,提供灵活的API,用于将高级采样方法纳入NeRF相关的方法中。我们演示了它的灵活性,通过对现有代码库进行最小限度的修改,将几种最近的NeRF方法的训练时间缩短了1.5倍至20倍。此外,可以使用NerfAcc在本地PyTorch中实现高度定制的NeRF,例如Instant-NGP。
May, 2023
本研究提出了将本应在神经网络评估后再进行渲染的颜色,改为直接渲染出射线查询的特征向量,从而大幅降低了神经网络评估的复杂度和计算开销,并取得了较好的渲染质量。
May, 2023
介绍了一种利用基于MLP的NeRFs及其proposal network samplers加速的方法,该方法可以在不改变训练协议或架构的情况下,将所需计算的时间减少了50%,同时对渲染质量的影响微乎其微。
Jun, 2023
该论文提出了一种改进NeRF渲染质量的近表面采样框架,通过估计3D场景的表面,只在表面周围进行采样,从而提高了渲染质量,并且能够显著加速NeRF模型的训练时间。
Oct, 2023
我们提出了一种通过重新定义基于样本的渲染方程,解决神经辐射场在体渲染中的多个问题,如样本冲突、层次采样精度不准确以及模型参数对射线终止距离分位点的导数不可微等,同时实现更锐利的纹理、更好的几何重建和更强的深度监督。
Oct, 2023